论文部分内容阅读
姿态识别是许多应用的基础(医学、运动、游戏、安全).传统的识别算法采用批学习的方式去训练网络,但是数据量庞大且数据不会一次性获取,这会导致这类算法花费大量的学习时间且网络权重也不能在线更新.对此利用一种基于核函数的在线序列极限学习机OS-KELM(Online Sequential Kernel Extreme Learning Machine)算法实现人体姿态的分类识别.为降低学习难度和提高学习效率,使用了基于Fisher准则和特征聚类的方法进行特征选择.用手机的三轴加速度计和陀螺仪数据识别人走路、下楼